如何优化pytesseract OCR识别，过滤无效字符仅提取姓名与数字？

一、图片预处理（消除边框干扰） #

用OpenCV对图片做二值化和降噪处理，弱化边框这类无效元素的影响：

import cv2
import pytesseract

# 读取目标图片
img = cv2.imread("your_image.png")
# 转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化（调整阈值过滤浅色调边框）
_, thresh = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV)
# 去除小噪声
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
cleaned_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

二、调整pytesseract识别参数 #

指定识别的字符范围，同时设置合适的页面分割模式（PSM），从根源减少无效识别：

# 配置参数：锁定中文、数字字符集，设置PSM为单行文本识别（可根据图片排版调整）
custom_config = r'--oem 3 --psm 7 -c tessedit_char_whitelist="一二三四五六七八九十百千万零壹贰叁肆伍陆柒捌玖拾佰仟万0123456789\u4e00-\u9fa5"'

# 识别预处理后的图片
text = pytesseract.image_to_string(cleaned_img, config=custom_config, lang='chi_sim')

三、后处理过滤无效数据 #

用正则表达式提取符合格式的姓名和数字，彻底排除像EE--这类无效内容：

import re

# 匹配2-4字中文姓名+数字的组合，可根据实际排版调整正则规则
pattern = re.compile(r'([\u4e00-\u9fa5]{2,4})\s*(\d+)')
results = pattern.findall(text)

# 输出最终提取结果
for name, num in results:
    print(f"姓名：{name}，数字：{num}")

补充调整建议 #

• 若姓名和数字是分行排版，把PSM参数改成--psm 6（按区块识别文本）
• 可根据图片实际明暗调整二值化的阈值（cv2.threshold里的200），确保边框被完全过滤
• 若涉及生僻姓或复姓，可针对性扩展白名单内的汉字范围

内容的提问来源于stack exchange，提问作者iStealth